CN117392117A - 一种基于OpenCV图像处理的压疮检测方法 - Google Patents
一种基于OpenCV图像处理的压疮检测方法 Download PDFInfo
- Publication number
- CN117392117A CN117392117A CN202311644335.2A CN202311644335A CN117392117A CN 117392117 A CN117392117 A CN 117392117A CN 202311644335 A CN202311644335 A CN 202311644335A CN 117392117 A CN117392117 A CN 117392117A
- Authority
- CN
- China
- Prior art keywords
- pressure sore
- pixel
- image
- area
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 208000004210 Pressure Ulcer Diseases 0.000 title claims abstract description 126
- 206010011985 Decubitus ulcer Diseases 0.000 title claims abstract description 124
- 238000012545 processing Methods 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000007405 data analysis Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 11
- 230000037311 normal skin Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 6
- 238000005469 granulation Methods 0.000 claims description 6
- 230000003179 granulation Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000002902 bimodal effect Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 101100517651 Caenorhabditis elegans num-1 gene Proteins 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 4
- 206010039509 Scab Diseases 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 208000025865 Ulcer Diseases 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000036269 ulceration Effects 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 1
- 206010040943 Skin Ulcer Diseases 0.000 description 1
- 208000026137 Soft tissue injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 208000035475 disorder Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000000474 heel Anatomy 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 210000002239 ischium bone Anatomy 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 206010033675 panniculitis Diseases 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001991 scapula Anatomy 0.000 description 1
- 230000037380 skin damage Effects 0.000 description 1
- 231100000019 skin ulcer Toxicity 0.000 description 1
- 210000004304 subcutaneous tissue Anatomy 0.000 description 1
- 238000001931 thermography Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及医疗图像检测技术领域,具体涉及一种基于OpenCV图像处理的压疮检测方法,本方法包括采用3D相机和热成像仪分别对患者的压疮部位进行扫描,得到三维图像数据和红外图像数据;采用基于OpenCV算法库构建的分析软件对三维图像数据进行图像处理和数据分析,识别出压疮区域,提取出压疮数据,对红外图像数据进行温度读取,提取出红外分布图和红外温度;根据压疮区域、压疮数据和红外温度了解压疮情况和严重程度。本发明通过对患者压疮部位图像采集,再使用分析软件对采集的图像进行处理和分析,从而了解压疮情况和严重程度。本发明提出的方法具有高效性、直观性、易用性以及准确性等诸多特点。
Description
技术领域
本发明涉及医疗图像检测技术领域,具体涉及一种基于OpenCV图像处理的压疮检测方法。
背景技术
压疮,也被称为褥疮或床疮,是一种因长时间持续性压力对皮肤产生损伤而引起的软组织损伤。它通常发生在那些长期卧床、坐位不动或行动受限的人群中,如长期卧床的病患、残疾人、年老体弱者等。
压疮发生的原因是因为长时间对皮肤施加压力导致血液循环障碍和组织缺氧,进而导致皮肤损伤。常见的压力点位于身体骨骼突出部位,如脊椎、骨盆、坐骨、脚后跟、肩胛骨等。当这些区域受到持续压力时,皮肤和组织受到损伤,可能会形成压疮。根据压疮严重程度,分为Ⅰ期皮肤泛红期,Ⅱ期表皮溃疡期,Ⅲ期皮下组织溃疡期,Ⅳ期深度组织溃疡期。
在实际临床中,压疮的精准防治是重要的研究方向。当前医学上压疮检测常使用医护人员观察的方法,观察的方法依赖于医护人员的经验,对潜在的压疮病变不易察觉,对已存在的压疮部位的严重程度难以判断。传统的方法降低了医护人员的诊断效率和诊断精度。
发明内容
针对以上问题,本发明提供了一种基于OpenCV图像处理的压疮检测方法,使用数字图像处理技术,帮助医护人员以数据化和图像化的形式直观了解患者的压疮情况和严重程度,不仅提高了医护人员工作效率,改善了患者就医时的不适感,更直接增加了压疮检测的精度和准确性,有极大的应用价值。
为实现上述目的,本发明采用的技术方案如下:
一种基于OpenCV图像处理的压疮检测方法,包括以下步骤:
步骤1、采用3D相机对患者的压疮部位进行扫描,得到三维图像数据;
步骤2、采用热成像仪对患者的压疮部位进行扫描,得到红外图像数据;
步骤3、采用基于OpenCV算法库构建的分析软件对三维图像数据进行图像处理和数据分析,识别出压疮区域,提取出压疮数据;
步骤4、采用基于OpenCV算法库构建的分析软件对红外图像数据进行温度读取,提取出图像的红外温度;
步骤5、根据压疮区域、压疮数据和红外温度了解压疮情况和严重程度。
进一步的,在步骤3中,三维图像数据的图像处理包括预处理、阈值分割、边缘检测、特征提取与匹配、数据标定。
进一步的,预处理包括灰度化处理、直方图处理和去噪;
灰度化处理包括:假设图像的R、G、B像素点数值分别为、/>和/>,表示任一像素点在图像上的存储坐标位置,使用公式(1)进行灰度化处理得到灰度化处理后的坐标/>:
(1);
直方图处理包括:假设图像的像素总数为、灰度级数量为/>,/>是灰度级数值大小,/>是灰度级/>对应的像素点数量,k∈[0, num-1],nj表示灰度值为rj的像素点数量,j∈[0, k],通过公式(2)将图像的像素灰度值由原灰度值/>映射为新灰度值/>:
(2);
去噪包括:采用小波变换,将图像的像素点矩阵分成多个如公式(3)所示的的像素点矩阵:
(3);
将每一个像素点矩阵做公式(4)、公式(5)、公式(6)、公式(7)四种变换:
(4);
(5);
(6);
(7);
保留A,设置去噪阈值对、/>、/>作去噪滤波处理,更新/>、/>、/>;
采用小波复原,根据保留的A和更新的、/>、/>得到如公式(8)所示的新的像素点矩阵:
(8);
使用新的像素点矩阵替代公式(3)原来的像素点矩阵,得到小波去噪后的新图像。
进一步的,阈值分割包括以下步骤:
步骤a:设定新图像的双峰阈值的差值为;
步骤b:设定新图像的平均灰度为初始阈值;
步骤c:使用初始阈值分割新图像为编号/>、/>的两组,将灰度值大于/>设为/>组,灰度值小于等于/>设为/>组;
步骤d:计算、/>组的平均灰度值分别为/>;
步骤e:设定新阈值为/>;
步骤f:重复步骤b~e,直至阈值差的绝对值;
满足步骤f的条件后,得到有效的阈值,将新图像作二值化处理,将灰度值大于的像素值设为255、小于/>的像素值设为0,完成压疮区域与正常皮肤的分割。
进一步的,边缘检测包括:假设压疮区域的任一像素点为,使用平面坐标表示当前像素点在新图像中的坐标位置;
计算像素点在/>坐标轴上的导数为:
;
计算像素点在/>坐标轴上的导数为:
;
计算像素点的梯度平方G 2 为:
G 2 =()2+(/>)2;
设定梯度阈值为,将梯度平方G 2 大于梯度阈值/>的像素点/>设定为边缘点,将边缘点的像素值设为255、边缘点外的像素值设为0,得到压疮区域的边缘。
进一步的,特征提取与匹配采用ORB算法提取包括肉芽、结痂的特征点,再将特征点转化为特征向量。
进一步的,特征点的提取方法包括:假设像素点的像素值为/>,设定特征点提取的阈值为/>;以像素点/>为圆心,选择长度为3个像素点的半径画圆形,在圆形内选取距离圆心/>相同距离的4个像素点,若4个像素点中存在某一像素点的像素值大于/> +/>,判定该像素点亮于圆心/>,否则暗于圆心/>;当圆形中存在多个像素点均亮于圆心或暗于圆心时,判定像素点/>为特征点;
特征点转化为特征向量的方法包括:以特征点为圆心画圆形,在圆形内选取n个点对,对n个点对的左右端点像素值进行对比,若左端点像素值大于右端点像素值,则取为1,否则取为0,将特征点转化为特征向量。
进一步的,数据标定包括:采用不同线条分别标记压疮区域在图像的边缘线、长度和宽度;由在图像的长度、宽度计算压疮区域在图像的面积;采用文字在压疮区域旁标记压疮区域在图像的长度、宽度和面积,生成带有线条和文字标记的展示图。
进一步的,根据展示图提取出包括压疮区域在实际的长度、宽度、深度、面积的压疮数据,具体为:在边缘线上选取坐标轴上/>和/>对应的两个像素点,结合3D相机的SDK接口获取压疮区域在实际的长度;在边缘线上选取/>坐标轴上/>和/>对应的两个像素点,结合3D相机的SDK接口获取压疮区域在实际的宽度;在边缘线内选择在、/>的区间且偏向压疮区域中心的任一像素点,结合3D相机的SDK接口获取当前像素点的局部深度;根据OpenCV算法库中的轮廓面积函数API接口获取压疮区域在实际的面积。
进一步的,在步骤4中,采用基于OpenCV算法库构建的分析软件读取红外图像数据,结合热成像仪的SDK接口得到红外分布图,读取并标记红外分布图中心点的红外温度。
与现有技术相比,本发明具有以下有益效果:
本发明通过3D相机和热成像仪对患者压疮部位图像采集,再使用基于OpenCV算法库构建的分析软件对采集的图像进行处理和分析,从而了解压疮情况和严重程度。本发明提出的方法具有高效性、直观性、易用性以及准确性等诸多特点。
附图说明
图1为压疮检测处理框架图。
图2为图像采集图。
图3为三维图像数据处理框架图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进一步详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为压疮检测处理框架图,处理系统包括用于图像采集的3D相机和热成像仪、以及用于图像分析的分析软件组成。其中分析软件主要由图像处理模块和数据分析模块两部分构成。将3D相机和热成像仪采集的三维图像数据和红外图像数据输入到分析软件中,使用分析软件中的图像处理模块和数据分析模块处理和分析图像,输出压疮的展示图、包含压疮数据的信息表、以及红外分布图。每次输入以上图像,经过分析软件处理后将上述信息呈现给软件使用者,便完成一次工作。
图2为图像采集图。3D相机需要放置在患者压疮部位5~20cm的范围内采集三维图像数据,热成像仪也需要放置在压疮部位5~20cm处采集红外图像数据,此外两种仪器的测量误差应当小于2%。采集过程中,将3D相机连接个人计算机并在采集时保存三维图像数据;热成像仪可以单机工作采集,在采集完成后使用数据线连接个人计算机,将保存的红外图像数据导入个人计算机中;最后使用分析软件对三维图像数据和红外图像数据进行处理,获得数据分析结果。
图3为三维图像数据处理框架图。三维图像数据的图像处理包括预处理、阈值分割、边缘检测、特征提取与匹配、数据标定。
预处理包括灰度化处理、直方图处理和去噪。
预处理过程中,为将压疮区域与正常皮肤区分,使用灰度化的方法将压疮区域的灰度值明显区分于正常皮肤。假设图像的R、G、B像素点数值分别为、/>和,/>表示任一像素点在图像上的存储坐标位置,使用公式(1)进行灰度化处理:
(1);
灰度化后的像素点数值为,用于后续的图像处理。
为了提高压疮区域的对比度,在灰度化处理后将图像作直方图均衡化处理。假设图像的像素总数为、灰度级数量为/>,/>是灰度级数值大小,/>是灰度级/>对应的像素点数量,通过公式(2)将图像的像素灰度值由原灰度值/>映射为新灰度值/>,提高已灰度化图像的对比度:
(2);
式(2)过程完成了图像直方图均衡化过程。
直方图处理包括:假设图像的像素总数为、灰度级数量为/>,/>是灰度级数值大小,/>是灰度级/>对应的像素点数量,k∈[0, num-1],nj表示灰度值rj的像素点数量,j∈[0, k],nj为灰度值小于等于k的像素点个数,通过公式(2)将图像的像素灰度值由原灰度值/>映射为新灰度值/>,公式(2)统计了小于等于灰度值/>的像素点个数并计算了占图像像素点总数/>的比例,同时乘上灰度级最值,从而将每一个像素点由原灰度值/>映射为新灰度值/>:
;
然后将直方图均衡化的图像做去噪处理。在此使用小波变换方法,将图像的像素点矩阵分成多个如公式(3)所示的/>的像素点矩阵:
(3);
将每一个像素点矩阵做公式(4)、公式(5)、公式(6)、公式(7)四种变换:
(4);
(5);
(6);
(7);
经公式(4)至(7)变换完成后,A、B、C、D四个系数可以表示图像在不同尺度和不同方向上的特征,反应了图像的像素点的细节。
公式(4)表示将像素点矩阵值用/>值代替,这将降低图像的分辨率,/>是图像尺度系数矩阵。公式(5)至(7)的处理方式则保留了图像的细节,/>、/>、/>是图像细节系数矩阵。对每一小组的/>像素点都做上式(4)至(7)的四种变换方式,保留图像尺度系数矩阵,然后对图像细节系数矩阵/>、/>、/>设置阈值作去噪滤波处理。根据图像调整合适的阈值,例如设置去噪阈值/>,当/>的绝对值大于30时,取/>,或其他合适的值。/>、/>做相同的数学处理。图像细节系数矩阵/>、/>、/>都完成去噪滤波处理后,再使用式(8)小波复原的方法,数学处理后得到新的像素矩阵:
(8);
使用新的像素点矩阵替代公式(3)原来的像素点矩阵,得到小波去噪后的新图像。
图像预处理完成后,要将压疮区域与正常皮肤分割开,在此使用迭代式的阈值分割方法处理图像。由于压疮区域在正常皮肤上较为突出,因此图像灰度化后的图像具有双峰特性。在选择图像的阈值时,只需选择两峰之间的谷对应的灰度级数值为阈值。
阈值分割包括以下步骤:
步骤a:设定新图像的双峰阈值的差值为;
步骤b:设定新图像的平均灰度为初始阈值;
步骤c:使用初始阈值分割新图像为编号/>、/>的两组,将灰度值大于/>设为/>组,灰度值小于等于/>设为/>组;
步骤d:计算、/>组的平均灰度值分别为/>;
步骤e:设定新阈值为/>;
步骤f:重复步骤b~e,直至阈值差的绝对值;
满足步骤f的条件后,得到有效的阈值,将新图像作二值化处理,将灰度值大于的像素值设为255、小于/>的像素值设为0,至此,阈值分割过程结束,压疮区域与正常皮肤分割。
完成压疮区域的分割后,此时压疮区域的灰度值已经很明显地区别于正常皮肤。此时需要对压疮区域做边缘检测,这是为了方便后续的特征提取过程。
由于灰度变化大的地方梯度大,因此计算像素点梯度可以识别处于压疮区域的边缘部分。假设压疮区域的任一像素点为,使用平面坐标/>表示当前像素点在新图像中的坐标位置;
计算像素点在/>坐标轴上的导数为:
;
计算像素点在/>坐标轴上的导数为:
;
计算像素点的梯度平方G 2 为:
G 2 =()2+(/>)2;
设定合适的梯度阈值为,将梯度平方G 2 大于梯度阈值/>的像素点/>设定为边缘点,将边缘点的像素值设为255、边缘点外的像素值设为0,如此可以在处理的图像中清晰得到压疮区域的边缘。
压疮区域分割出边缘后,还需提取出肉芽和结痂等形貌的特征点。本发明采用ORB算法提取包括肉芽、结痂的特征点,再将特征点转化为特征向量。ORB算法结合了FAST角点检测算法和BRIEF特征描述子方法。
使用FAST角点检测方法来提取压疮区域的特征点。
特征点的提取方法包括:假设像素点的像素值为/>,通过不断尝试,设定特征点提取的阈值为/>;以像素点/>为圆心,选择长度为3个像素点的半径画圆形,在圆形内选取距离圆心/>相同距离的4个像素点,若4个像素点中存在某一像素点的像素值大于/> +/>,判定该像素点亮于圆心/>,否则暗于圆心/>;当圆形中存在多个像素点均亮于圆心或暗于圆心时,例如10个像素点均亮于圆心或暗于圆心时,判定像素点/>为特征点。
使用上述方法处理压疮区域后,可以得到一系列的特征点,通过提取的特征点可以标记压疮区域的肉芽和结痂位置,同时为了给出压疮区域的描述信息,需要将提取出的特征点转化为特征向量,它表达了特征点周围区域的局部结构和特征。使用BEIRF特征描述子算法来得到特征向量。
特征点转化为特征向量的方法包括:以特征点为圆心画圆形,在圆形内选取n个点对,对n个点对的左右端点像素值进行对比,若左端点像素值大于右端点像素值,则取为1,否则取为0,将特征点转化为特征向量。
在完成以上一系列处理后,可以识别出压疮区域以及获取到包含肉芽和结痂的特征点。再使用图像划线的功能,在图像上以颜色差异明显的实线、虚线等线条对压疮区域边缘、区域加以线条注释,并在合适位置给予文字标定。采用不同线条分别标记压疮区域在图像的边缘线、长度和宽度;由在图像的长度、宽度计算压疮区域在图像的面积;采用文字在压疮区域旁标记压疮区域在图像的长度、宽度和面积,生成带有线条和文字标记的展示图。其中,实线可以标记长宽的测量范围,虚线可以标记压疮区域在图像中的位置,即边缘线。
识别分割后有效的压疮区域后,此时应该提取压疮区域有效的图像信息。根据展示图提取出包括压疮区域在实际的长度、宽度、深度、面积的压疮数据,具体为:在边缘线上选取坐标轴上/>和/>对应的两个像素点,结合3D相机的SDK接口获取压疮区域在实际的长度;在边缘线上选取/>坐标轴上/>和/>对应的两个像素点,结合3D相机的SDK接口获取压疮区域在实际的宽度;在边缘线内选择在/>、/>的区间且偏向压疮区域中心的任一像素点,如像素点(/>),结合3D相机的SDK接口获取当前像素点的局部深度;根据OpenCV算法库中的轮廓面积函数API接口获取压疮区域在实际的面积。
再采用基于OpenCV算法库构建的分析软件读取红外图像数据,结合热成像仪的SDK接口得到红外分布图,读取并标记红外分布图中心点的红外温度。
系统工作时,首先需要打开个人计算机上的分析软件,点击“开始采集”按钮,软件跳转到“开始采集”功能的画面,然后使用外接的3D相机测量患者压疮部位时,需要将相机置于患者压疮的5至20厘米的上方,同时需要观察个人计算上分析软件上的“实时3D采集画面”。通过对相机移动调整,找到光线和画面清晰度较高的时刻,点击“保存当前图像”按键,将采集到的三维图像数据保存在个人计算机的硬盘上。在获取完成且需要的三维图像数据后,关闭分析软件的采集窗口。同时打开手持的热成像仪,将热成像仪同样置于患者压疮上方空间的5至20厘米处,使用热成像仪拍摄患者的压疮局部红外图像数据。在获取到合适的红外图像数据后,使用数据线连接热成像仪和个人计算机,将热成像仪拍摄的图像导入计算机的硬盘中。
在个人计算机中的分析软件主界面,点击“图像处理与分析”按钮,软件跳转到“图像处理与分析”功能界面。点击“添加3D相机图像”按键,弹出文件选择框,添加一张采集质量较好且需要处理的三维图像数据。再点击“添加热成像图像”按键,弹出文件选择框,添加一张与3D相机采集图片相对应的红外图像数据。完成图片添加后,点击“开始图像处理”按键,软件开始对三维图像数据和红外图像数据进行处理与数据分析。等待软件处理过程完成,软件输出图像处理结果,依次为“图像处理结果”与“数据处理分析”两个窗口。
在“图像处理结果”窗口中,软件使用者如医护人员,可以查看输入的三维图像数据分割、识别、分类、文本标识后的展示图、以及红外图像数据的红外分布;在“数据处理分析”窗口中,软件使用者可以看到对输入的三维图像数据经过图像处理模块处理后得出的压疮数据,包括压疮长度、宽度、深度、面积以及压疮的温度等相关数值信息。
通过分析出的压疮数据和温度,可以辅助软件使用者了解压疮情况和严重程度。例如。通过观察红外图像上压疮皮肤的温度和正常皮肤温度的差异,温度差异大,说明较严重,差异小,说明溃烂没那么严重,接近正常皮肤。
最后应说明的是:以上各实施例仅仅为本发明的较优实施例用以说明本发明的技术方案,而非对其限制,当然更不是限制本发明的专利范围;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围;也就是说,但凡在本发明的主体设计思想和精神上作出的毫无实质意义的改动或润色,其所解决的技术问题仍然与本发明一致的,均应当包含在本发明的保护范围之内;另外,将本发明的技术方案直接或间接的运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于OpenCV图像处理的压疮检测方法,其特征在于,包括以下步骤:
步骤1、采用3D相机对患者的压疮部位进行扫描,得到三维图像数据;
步骤2、采用热成像仪对患者的压疮部位进行扫描,得到红外图像数据;
步骤3、采用基于OpenCV算法库构建的分析软件对三维图像数据进行图像处理和数据分析,识别出压疮区域,提取出压疮数据;
步骤4、采用基于OpenCV算法库构建的分析软件对红外图像数据进行温度读取,提取出图像的红外温度;
步骤5、根据压疮区域、压疮数据和红外温度了解压疮情况和严重程度。
2.根据权利要求1所述的一种基于OpenCV图像处理的压疮检测方法,其特征在于,在步骤3中,三维图像数据的图像处理包括预处理、阈值分割、边缘检测、特征提取与匹配、数据标定。
3.根据权利要求2所述的一种基于OpenCV图像处理的压疮检测方法,其特征在于,预处理包括灰度化处理、直方图处理和去噪;
灰度化处理包括:假设图像的R、G、B像素点数值分别为、/>和/>,表示任一像素点在图像上的存储坐标位置,使用公式(1)进行灰度化处理得到灰度化处理后的坐标/>:
(1);
直方图处理包括:假设图像的像素总数为、灰度级数量为/>,/>是灰度级数值大小,/>是灰度级/>对应的像素点数量,k∈[0, num-1],nj表示灰度值为rj的像素点数量,j∈[0, k],通过公式(2)将图像的像素灰度值由原灰度值/>映射为新灰度值/>:
(2);
去噪包括:采用小波变换,将图像的像素点矩阵分成多个如公式(3)所示的的像素点矩阵:
(3);
将每一个像素点矩阵做公式(4)、公式(5)、公式(6)、公式(7)四种变换:
(4);
(5);
(6);
(7);
保留A,设置去噪阈值对、/>、/>作去噪滤波处理,更新/>、/>、/>;
采用小波复原,根据保留的A和更新的、/>、/>得到如公式(8)所示的新的像素点矩阵:
(8);
使用新的像素点矩阵替代公式(3)原来的像素点矩阵,得到小波去噪后的新图像。
4.根据权利要求3所述的一种基于OpenCV图像处理的压疮检测方法,其特征在于,阈值分割包括以下步骤:
步骤a:设定新图像的双峰阈值的差值为;
步骤b:设定新图像的平均灰度为初始阈值;
步骤c:使用初始阈值分割新图像为编号/>、/>的两组,将灰度值大于/>设为/>组,灰度值小于等于/>设为/>组;
步骤d:计算、/>组的平均灰度值分别为/>;
步骤e:设定新阈值为/>;
步骤f:重复步骤b~e,直至阈值差的绝对值;
满足步骤f的条件后,得到有效的阈值,将新图像作二值化处理,将灰度值大于/>的像素值设为255、小于/>的像素值设为0,完成压疮区域与正常皮肤的分割。
5.根据权利要求4所述的一种基于OpenCV图像处理的压疮检测方法,其特征在于,边缘检测包括:假设压疮区域的任一像素点为,使用平面坐标/>表示当前像素点在新图像中的坐标位置;
计算像素点在/>坐标轴上的导数为:
;
计算像素点在/>坐标轴上的导数为:
;
计算像素点的梯度平方G 2 为:
G 2 =()2+(/>)2;
设定梯度阈值为,将梯度平方G 2 大于梯度阈值/>的像素点/>设定为边缘点,将边缘点的像素值设为255、边缘点外的像素值设为0,得到压疮区域的边缘。
6.根据权利要求2所述的一种基于OpenCV图像处理的压疮检测方法,其特征在于,特征提取与匹配采用ORB算法提取包括肉芽、结痂的特征点,再将特征点转化为特征向量。
7.根据权利要求6所述的一种基于OpenCV图像处理的压疮检测方法,其特征在于,特征点的提取方法包括:假设像素点的像素值为/>,设定特征点提取的阈值为/>;以像素点为圆心,选择长度为3个像素点的半径画圆形,在圆形内选取距离圆心/>相同距离的4个像素点,若4个像素点中存在某一像素点的像素值大于/> +/>,判定该像素点亮于圆心/>,否则暗于圆心/>;当圆形中存在多个像素点均亮于圆心或暗于圆心时,判定像素点/>为特征点;
特征点转化为特征向量的方法包括:以特征点为圆心画圆形,在圆形内选取n个点对,对n个点对的左右端点像素值进行对比,若左端点像素值大于右端点像素值,则取为1,否则取为0,将特征点转化为特征向量。
8.根据权利要求5所述的一种基于OpenCV图像处理的压疮检测方法,其特征在于,数据标定包括:采用不同线条分别标记压疮区域在图像的边缘线、长度和宽度;由在图像的长度、宽度计算压疮区域在图像的面积;采用文字在压疮区域旁标记压疮区域在图像的长度、宽度和面积,生成带有线条和文字标记的展示图。
9.根据权利要求8所述的一种基于OpenCV图像处理的压疮检测方法,其特征在于,根据展示图提取出包括压疮区域在实际的长度、宽度、深度、面积的压疮数据,具体为:在边缘线上选取坐标轴上/>和/>对应的两个像素点,结合3D相机的SDK接口获取压疮区域在实际的长度;在边缘线上选取/>坐标轴上/>和/>对应的两个像素点,结合3D相机的SDK接口获取压疮区域在实际的宽度;在边缘线内选择在/>、/>的区间且偏向压疮区域中心的任一像素点,结合3D相机的SDK接口获取当前像素点的局部深度;根据OpenCV算法库中的轮廓面积函数API接口获取压疮区域在实际的面积。
10.根据权利要求1所述的一种基于OpenCV图像处理的压疮检测方法,其特征在于,在步骤4中,采用基于OpenCV算法库构建的分析软件读取红外图像数据,结合热成像仪的SDK接口得到红外分布图,读取并标记红外分布图中心点的红外温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311644335.2A CN117392117B (zh) | 2023-12-04 | 2023-12-04 | 一种基于OpenCV图像处理的压疮检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311644335.2A CN117392117B (zh) | 2023-12-04 | 2023-12-04 | 一种基于OpenCV图像处理的压疮检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117392117A true CN117392117A (zh) | 2024-01-12 |
CN117392117B CN117392117B (zh) | 2024-02-13 |
Family
ID=89466858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311644335.2A Active CN117392117B (zh) | 2023-12-04 | 2023-12-04 | 一种基于OpenCV图像处理的压疮检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117392117B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160284084A1 (en) * | 2015-03-23 | 2016-09-29 | Ohio State Innovation Foundation | System and method for segmentation and automated measurement of chronic wound images |
CN110037660A (zh) * | 2019-05-05 | 2019-07-23 | 复旦大学附属中山医院 | 基于近红外光谱技术的压疮检测系统 |
CN111260641A (zh) * | 2020-01-21 | 2020-06-09 | 珠海威泓医疗科技有限公司 | 一种基于人工智能的掌上超声成像系统及其方法 |
CN111311608A (zh) * | 2020-02-05 | 2020-06-19 | 方军 | 评估伤口的方法、设备和计算机可读存储介质 |
CN111862118A (zh) * | 2020-07-20 | 2020-10-30 | 四川大学 | 压疮分期的训练方法、分期方法及分期系统 |
CN113614486A (zh) * | 2019-01-17 | 2021-11-05 | 大学健康网络 | 用于创伤和组织标本的三维成像、测量和显示的系统、方法和设备 |
US11195281B1 (en) * | 2019-06-27 | 2021-12-07 | Jeffrey Norman Schoess | Imaging system and method for assessing wounds |
CN114121277A (zh) * | 2021-11-04 | 2022-03-01 | 四川省医学科学院·四川省人民医院 | 一种压疮预测系统及方法 |
CN114317675A (zh) * | 2022-01-06 | 2022-04-12 | 福州大学 | 基于机器学习定性和定量不同创面细菌的检测方法及系统 |
CN114494189A (zh) * | 2022-01-25 | 2022-05-13 | 广东省第二人民医院(广东省卫生应急医院) | 一种护理的伤口图像识别检测方法及装置 |
-
2023
- 2023-12-04 CN CN202311644335.2A patent/CN117392117B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160284084A1 (en) * | 2015-03-23 | 2016-09-29 | Ohio State Innovation Foundation | System and method for segmentation and automated measurement of chronic wound images |
CN113614486A (zh) * | 2019-01-17 | 2021-11-05 | 大学健康网络 | 用于创伤和组织标本的三维成像、测量和显示的系统、方法和设备 |
CN110037660A (zh) * | 2019-05-05 | 2019-07-23 | 复旦大学附属中山医院 | 基于近红外光谱技术的压疮检测系统 |
US11195281B1 (en) * | 2019-06-27 | 2021-12-07 | Jeffrey Norman Schoess | Imaging system and method for assessing wounds |
CN111260641A (zh) * | 2020-01-21 | 2020-06-09 | 珠海威泓医疗科技有限公司 | 一种基于人工智能的掌上超声成像系统及其方法 |
CN111311608A (zh) * | 2020-02-05 | 2020-06-19 | 方军 | 评估伤口的方法、设备和计算机可读存储介质 |
CN111862118A (zh) * | 2020-07-20 | 2020-10-30 | 四川大学 | 压疮分期的训练方法、分期方法及分期系统 |
CN114121277A (zh) * | 2021-11-04 | 2022-03-01 | 四川省医学科学院·四川省人民医院 | 一种压疮预测系统及方法 |
CN114317675A (zh) * | 2022-01-06 | 2022-04-12 | 福州大学 | 基于机器学习定性和定量不同创面细菌的检测方法及系统 |
CN114494189A (zh) * | 2022-01-25 | 2022-05-13 | 广东省第二人民医院(广东省卫生应急医院) | 一种护理的伤口图像识别检测方法及装置 |
Non-Patent Citations (5)
Title |
---|
EVELYN GUTIERREZ等: "Multimodal and Multiview Wound Monitoring with Mobile Devices", 《PHOTONICS》, vol. 8, no. 10, 2 October 2021 (2021-10-02), pages 1 - 13 * |
MING-CHING CHANG等: "Mutimodal Sensor System for Pressure Ulcer Wound Assessment and Care", 《IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS》, vol. 14, no. 3, 11 December 2017 (2017-12-11), pages 1186 - 1196, XP011678567, DOI: 10.1109/TII.2017.2782213 * |
YUTO MIBAE等: "Visualization System of 3D Foot Plantar Model with Temperature Information Using RGB-D and Thermography Cameras for Prevention of Foot Ulcer in Diabetic Patients", 《2022 IEEE/SICE INTERNATIONAL SYMPOSIUM ON SYSTEM INTEGRATION》, 16 February 2022 (2022-02-16), pages 537 - 542 * |
张心苑等: "基于安卓操作系统的伤口面积测量软件设计", 《中国医学装备》, vol. 11, no. 8, 15 August 2014 (2014-08-15), pages 29 - 32 * |
陈昱彤等: "基于双线性注意力金字塔网络的压疮等级识别", 《智能计算机与应用》, vol. 12, no. 11, 1 November 2022 (2022-11-01), pages 197 - 203 * |
Also Published As
Publication number | Publication date |
---|---|
CN117392117B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993068B (zh) | 一种基于心率和面部特征的非接触式的人类情感识别方法 | |
Moussa et al. | Computer-aided detection of Melanoma using geometric features | |
CN113420826B (zh) | 一种肝脏病灶图像处理系统及图像处理方法 | |
CN110796636A (zh) | 基于卷积神经网络的ct图像骨质状况检测方法及装置 | |
Tun et al. | Feature extraction and classification of lung cancer nodule using image processing techniques | |
CN108764089A (zh) | 基于深度相机的人体背部脊柱中线识别方法 | |
JP2009090094A (ja) | 画像整合のための方法および装置 | |
CN110223331B (zh) | 一种大脑mr医学图像配准方法 | |
CN110767293A (zh) | 一种脑部辅助诊断系统 | |
WO2011050454A1 (en) | Bone imagery segmentation method and apparatus | |
Manic et al. | Jaya algorithm-assisted evaluation of tooth elements using digital bitewing radiography images | |
CN105551042B (zh) | 一种扫描床标记点位置的确定方法和装置 | |
CN117392117B (zh) | 一种基于OpenCV图像处理的压疮检测方法 | |
CN110575178A (zh) | 一种运动状态判断的诊断监控综合医疗系统及其判断方法 | |
CN111862118B (zh) | 压疮分期的训练方法、分期方法及分期系统 | |
CN112907571A (zh) | 基于多光谱图像融合识别的目标判定方法 | |
Kang et al. | Dental plaque quantification using mean-shift-based image segmentation | |
Cazzolato et al. | Semi-automatic ulcer segmentation and wound area measurement supporting telemedicine | |
CN117952859B (zh) | 一种基于热成像技术的压力性损伤图像优化方法及系统 | |
Manickavasagam et al. | GACM based segmentation method for Lung nodule detection and classification of stages using CT images | |
CN110559003A (zh) | 基于改进U-Net模型的脑神经性慢性疾病的诊断方法 | |
JP6660741B2 (ja) | 画像抽出装置、画像抽出方法 | |
CN117095443A (zh) | 一种脸部皱纹检测方法 | |
CN114821814B (zh) | 一种融合可见光、红外、结构光的步态识别方法 | |
CN117952859A (zh) | 一种基于热成像技术的压力性损伤图像优化方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |